基于高光谱遥感的水稻冠层吸收光合有效辐射的估算研究

 利用高光谱遥感数据,对光谱反射率、一阶微分光谱及二阶微分光谱与吸收光合有效辐射（APAR）进行相关分析,并利用反射率、微分光谱、植被指数法研究了水稻冠层APAR的估算效果。结果表明,高光谱反射率、一阶微分光谱及二阶微分光谱的最优波段与APAR的相关性均极显著,一阶微分光谱能够更好的估算APAR,它与APAR在769 nm处的拟合决定系数为05218;5种植被指数所选的最优波段组合拟合方程的决定系数在0.67以上,其中以复归一化差值植被指数（758, 781）估算效果最好,决定系数达0.7585。     

用投影寻踪降维方法估测冬小麦叶绿素密度

为综合更多有效信息来提高冬小麦叶绿素密度的估测精度,应用投影寻踪降维方法对条锈病胁迫下冬小麦冠层光谱进行降维,生成一维向量,然后采用支持向量机回归方法对其叶绿素密度进行估测,并与高光谱植被指数估测结果进行了比较。结果表明,以小麦冠层一阶微分光谱与叶绿素密度相关性较高的波段(400~500nm、720~770nm和840~870nm)进行投影寻踪降维得到的最优一维向量为自变量,利用支持向量机回归方法构建的冠层叶绿素密度估测模型的精度最高,决定系数为0.867,均方根误差与相对误差均最小,分别为1.135μg·cm-2和13.6%。说明利用投影寻踪降维技术对条锈病胁迫下冬小麦冠层光谱进行降维处理,可以保留有效信息,提高冬小麦叶绿素密度估测精度。     

基于支持向量机模型的冬小麦全蚀病为害等级遥感监测

为了解利用高光谱遥感技术对小麦全蚀病进行有效监测的可行性,对感染不同发病等级全蚀病的冬小麦冠层光谱反射率数据进行采集分析,选取监测敏感波段,在Matlab和Libsvm工具箱支持下,利用支持向量机分类方法构建小麦全蚀病病害等级预测模型。结果表明,在不同程度小麦全蚀病的为害下,小麦冠层光谱反射率存在明显变化。通过对数据分析,选择700~900nm波段作为敏感波段进行训练建立模型的结果最好;经检验,基于此波段构建的预测模型预测值与实际值相关系数可达0.943,均方根达0.63,因此生产上可利用波段光谱特征对小麦全蚀病进行监测。     

联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数

利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。     

基于模拟光谱数据的冬小麦播期遥感监测最佳时相研究

为利用高时空分辨率的航天数据对区域冬小麦播期实现尽早监测,对冬小麦播期的不同遥感监测时相精度进行了分析。首先利用耦合作物模型和辐射传输模型模拟不同播期冬小麦从播种至返青的冠层光谱反射率,分析不同播期的冠层光谱响应差异,选取对不同播种日期敏感的波段。然后,根据敏感波段的冠层光谱,选择训练样本并计算不同播期之间的J-M距离,初步判断出光谱可分性较好的时相。最后,对不同的播期进一步进行判别分析,判定未知类别样本的所属类别。根据正确分类的精度,在华北平原北部选择播期监测的最佳时相为12月中旬,精度达到89.5%。     

关中冬小麦叶片氮素含量高光谱遥感监测模型

为给黄土高原大范围的冬小麦氮素营养遥感监测提供理论依据,通过田间试验,研究了冬小麦叶片氮素含量遥感监测的最佳生育时期、最敏感波段及其他最优光谱参量。结果表明,灌浆期是利用高光谱遥感监测冬小麦叶片氮素营养状况的最佳生育时期;在拔节、抽穗和灌浆期680nm波段光谱反射率R680均能较好地反映冬小麦叶片氮素含量,基于光谱位置以及叶面积指数的光谱参量也能较好地反映冬小麦叶片氮素含量。拔节期、抽穗期和灌浆期分别以680nm波段光谱反射率R680、绿峰反射率Rg和植被指数(SDr-SDb)/(SDr+SDb)对小麦叶片氮素含量的拟合效果最佳,其回归方程分别为Y=27.54-280.247 X+1456.245 X2、Y=8.632 X-0.24和Y=25.83 X1.012。     

不同播期冬小麦茎叶碳氮比的光谱监测

为了探讨利用冠层光谱监测不同播期下小麦植株碳氮比的可行性,基于不同播期和不同施氮水平下的两年田间试验,对冬小麦茎叶碳氮比与冠层光谱的关系进行了研究。结果表明,不同播期下冬小麦茎叶碳氮比随生育时期的推进均呈"高-低-高"的动态变化;各个波段综合原始反射率和一阶微分与碳氮比均有显著相关性;NDVI、RDVI、EVI、SAVI等植被指数对茎叶碳氮比均有较好的拟合效果,其中NDVI受播期的影响较小,可用于建立各播期冬小麦茎叶碳氮比监测模型。检验结果显示,冬小麦各播期茎叶碳氮比监测模型的预测精度为0.678 2~0.963 6,相对误差0.095 5~0.323 9,均方根误差1.864 6~5.714 2,说明利用冠层光谱可以实现对不同播期条件下冬小麦茎叶碳氮比较为准确的监测。     

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

不同栽培措施下拔节期水稻冠层反射光谱特征及其模糊聚类分析

分析了不同栽培措施（密度、移栽叶龄、施氮量及水分管理方式）对稻田拔节期冠层反射光谱的影响,并对其进行了模糊聚类分析。研究表明,不同栽培措施通过影响水稻拔节期群体生长特征而引起冠层反射光谱发生变化。增施氮肥、水层灌溉、减小栽插秧龄和增加密度都使近红外波段反射率增加,可见光波段反射率降低。用绿（560 nm）、红(660 nm)和近红外（810 nm）3个波段的反射率和比值植被指数为指标,用模糊聚类方法可以完全无误地区分开拔节期不同处理的水稻群体。说明通过光谱分析可以识别不同栽培措施和生长状况下的水稻群体。     

基于高光谱图像和邻域粗糙集理论的大豆品种识别算法及其综合性能评估

应用高光谱图像技术可以实现大豆品种的快速、高效、无损鉴别检测。高光谱图像数据量大、波段数量多,这导致数据传输、存储和处理有一定难度,故需应用波段选择方法进行数据降维。目前,面向品种识别的高光谱图像波段选择算法大多数都是以分类性能作为算法的评价标准,忽略了算法的稳定性。该文针对大豆品种识别问题,研究基于邻域粗糙集理论中的依赖度、一致性和信息熵等属性选择准则的高光谱波段选择算法,以Jaccard系数为稳定性度量指标,研究算法的稳定性随数据集扰动和子集大小的变化情况。针对波段选择算法的稳定性度量与分类模型之间是相互独立的这一问题,不能盲目追求高的稳定性而忽略特征子集的分类效果,提出当波段子集大小相同时采用Pareto最优解来评估算法综合性能;当波段子集大小不同时,采用兼顾分类性能、稳定性和子集大小的综合评价函数(PSN)评估算法性能。研究结果对获取综合性能最佳的波段子集有一定的理论及应用价值。     

不同施氮条件下小麦冠层的高光谱和多光谱反射特征

为了更好地利用冠层反射光谱特征监测小麦生长及氮素营养状况。以宁麦9号、淮麦20、徐麦26和扬麦10号四个小麦品种为材料，通过田间小区试验，研究了不同小麦品种在不同生育时期和不同氮素水平下冠层反射光谱的变化规律。结果表明，相同氮素水平下不同小麦品种冠层反射光谱的反射率有差异，且近红外部分差异较明显。小麦从拔节开始，随生育期的推进，冠层反射光谱在可见光波段的反射率先降低然后升高，以孕穗期反射率最低。随着叶片的逐渐变黄。反射率又增大，并且绿光波段的反射峰也逐渐消失。而近红外区反射率则表现出相反的趋势，以开花期为分界，先上升然后下降，直到成熟前降为最低。随着施氮水平的提高，冠层反射光谱在近红外反射平台（750-1300nm）的反射率呈上升趋势，而可见光部分反射率则下降，并且反射光谱的绿峰和红边位置也随着施氮水平的提高分别向蓝光方向（波长变短）和红光方向（波长变长）移动。     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其R²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。     

Canopy Spectral Reflectance Characteristics of Rice with Different Cultural Practices and Their Fuzzy Cluster Analysis

The influence of major cultural practices including different nitrogen application rates, population densities, transplanting leaf ages of seedling, and water regimes on rice canopy spectral reflectance was investigated. Results showed that increased nitrogen rates, water regimes and population densities and decreased seedling ages could enhance reflectance at NIR (near infrared) bands and reduce reflectance at visible bands. Using reflectance of green, red and NIR band and ratio index of 810-560 nm could distinguish the different type of rice by fuzzy cluster analysis.     

江淮稻-麦周年病虫草害绿色防控技术模式及其效果

江淮地区温光水资源丰富,是我国重要的粮食主产区之一。该地区地处南北气候过度地带,病虫草害类型复杂,病虫草害绿色防控是确保粮食安全生产的重要保障措施。江淮地区作物周年种植,模式多样,其中以稻-麦轮作种植模式为主。本研究根据安徽粮丰项目试验示范成果,结合江淮稻-麦周年生产实际,针对稻-麦周年生长不同生育期主要靶标病虫草害发生规律和为害特点,集成了以农业生态技术措施为前提、绿色防控投入品综合应用为基础、药械联用精准减量高效防控靶标生物技术为突破口的绿色防控技术模式,并成功示范推广。本文就该技术模式进行了详细介绍,以期为区域粮食绿色安全可持续生产提供技术支持。     

New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice

Leaf area index (LAI) is an important characteristic of land surface vegetation system, and is also a key parameter for the models of global water balancing and carbon circulation. By using the reflectance values of Landsat-5 blue, green and red channels simulated from rice reflectance spectrum, the sensitivities of the bands to LAI were analyzed, and the response and capability to estimate LAI of various NDVIs (normalized difference vegetation indices), which were established by substituting the red band of general NDVI with all possible combinations of red, green and blue bands, were assessed. Finally, the conclusion was tested by rice data at different conditions. The sensitivities of red, green and blue bands to LAI were different under various conditions. When LAI was less than 3, red and blue bands were more sensitive to LAI. Though green band in the circumstances was less sensitive to LAI than red and blue bands, it was sensitive to LAI in a wider range. When the vegetation indices were constituted by all kinds of combinations of red, green and blue bands, the premise for making the sensitivity of these vegetation indices to LAI be meaningful was that the value of one of the combinations was greater than 0.024, i.e. visible reflectance (VIS)>0.024. Otherwise, the vegetation indices would be saturated, resulting in lower estimation accuracy of LAI. Comparison on the capabilities of the vegetation indices derived from all kinds of combinations of red, green and blue bands to LAI estimation showed that GNDVI (Green NDVI) and GBNDVI (Green-Blue NDVI) had the best relations with LAI. The capabilities of GNDVI and GBNDVI to LAI estimation were tested under different circumstances, and the same result was acquired. It suggested that GNDVI and GBNDVI performed better to predict LAI than the conventional NDVI.     

Visible-near infrared spectroscopy based citrus greening detection: Evaluation of spectral feature extraction techniques

Citrus greening is a serious disease affecting citrus production in Florida and different parts of the world. This disease is spread by an insect vector and the trees are killed several years after infection. There is no known treatment for the disease. Disease detection and removal of infected trees is a critical part of citrus greening disease management efforts. This paper reports the evaluation of spectral features extracted from visible-near infrared spectroradiometer spectra for their potential to detect citrus greening disease. The extraction of spectral features is an effort to lower the cost of the optical sensor while maintaining their performance. Spectral features: (i) spectral reflectance bands and (ii) vegetation indices (VIs) were derived from 350-2,500 nm spectral reflectance data using two feature extraction methods: stepwise discriminant analysis and stepwise regression analysis. Following the selection of spectral features, the features were assessed using two classifiers, quadratic discriminant analysis (QDA) and soft independent modeling of classification analogies (SIMCA) to determine the overall and individual class classification accuracies. The classification results indicated that both the spectral features (spectral bands and VIs) yielded good overall (higher than 80%) and healthy class (higher than 85%) classification accuracies using the QDA-based algorithm. The SIMCA-based algorithm yielded good average citrus greening class classification accuracy (higher than 83%) using selected spectral features. Thus, the present study demonstrates the applicability of utilizing spectral features for detection of greening in citrus.     

基于叶片高光谱特征的小麦白粉病严重度估算模式

为了解白粉病胁迫下小麦叶片特征并预测其危害程度,基于大田小区和温室盆栽小麦白粉病接种试验,采用高光谱仪测定受白粉病不同程度危害的冬小麦叶片光谱反射率,并分析光谱特征参数与白粉病严重度间的关系。结果表明,随着小麦白粉病病情的加重,在可见光350~700nm波段内,叶片光谱反射率增加;而在700~1050nm近红外波段内,叶片光谱反射率明显降低。400~500nm和610~690nm为光谱敏感波段,在650~680nm波段相关系数最高(r0.75)。光谱参数MCARI、PSRI、VARIgreen和AI对叶片病害严重度拟合效果较好,决定系数(R2)变化范围为0.77~0.82,标准误差为9.34~10.14。模型检验表明,小麦单叶片病害严重度超过10%时,检验结果较为理想,单叶片病害严重度低于10%时,则定量估算误差偏大,10%严重度可作为光谱法识别小麦白粉病的临界值。光谱参数MCARI和VARIgreen对小麦白粉病反应敏感,估算误差较小,可作为小麦白粉病严重度的最佳估算模型。     

缺素对小麦冠层反射光谱的影响

为给小麦缺素症早期诊断提供依据，以太湖地区典型稻麦轮作区的长期定位施肥实验为研究对象，分析了氮磷钾单一营养元素缺乏和两种或两种以上元素同时缺乏时的小麦叶绿素含量（SPAD值）及冠层反射光谱特性的变化规律。结果表明，缺素造成了叶片叶绿素含量的下降。缺氮使小麦冠层光谱反射率在可见光波段（460～710nm）和1480～1650nm波段增加，在近红外波段（760～1220nm）下降，红光波段对胁迫表现最为敏感．其次为黄光波段和1480nm左右的水分吸收波段；缺磷降低了近红外波段反射率，对可见光波段反射率的影响则受生育阶段和其他肥料互作的影响；缺钾处理对冠层反射光谱的影响较小，差异不显著。氮胁迫对可见光波段的影响程度显著高于磷胁迫，近红外波段两者持平。光谱对养分胁迫的响应程度随生育进程的推进而逐渐减小。缺素均使冠层光谱的红边位置向短波方向移动即发生蓝移，位移大小依元素缺乏种类及数量而定，最大位移可达10nm左右。